CMS 실험의 온라인·오프라인 재구성에 혁신을 일으키는 머신러닝

초록

CMS는 최신 머신러닝 기법을 활용해 제트 플레버 태깅, 타우, 전자·광자·뮤온 식별, 그리고 고립도 높은 HL‑LHC 환경을 위한 고입자밀도 칼로미터 재구성을 크게 향상시켰다. 경량 ParticleNet, Unified ParticleTransformer, DeepTau v2.5, DeepSuperCluster, 다변량 뮤온 식별기, 그리고 그래프 신경망 기반 TICL‑v5 등은 효율·정밀도·배경 억제에서 기존 방법을 능가한다. 적대적 학습과 도메인 적응을 도입해 시뮬레이션‑데이터 불일치를 완화하고, 런‑3 전 기간에 걸쳐 안정적인 성능을 유지한다. 이러한 기술은 HL‑LHC의 200 PU 환경에서도 CMS가 물리 잠재력을 최대한 활용하도록 만든다.

상세 분석

본 논문은 CMS 실험에서 온라인 트리거와 오프라인 재구성 전반에 걸친 머신러닝(ML) 적용 현황을 체계적으로 정리한다. 제트 플레버 태깅에서는 경량 ParticleNet(PNet) 모델을 HL‑Trigger에 직접 탑재해 AK4·AK8 제트에 대한 b‑태깅 효율을 2022‑2024년 사이 5 % 이상 향상시켰으며, Run C‑Run I 전 기간에 걸쳐 변동이 거의 없음을 보여준다. Unified ParticleTransformer(UParT)는 기존 ParticleTransformer에 적대적 학습을 추가해 시뮬레이션 왜곡에 강인한 b‑, c‑, s‑태깅을 동시에 제공한다. 특히 c‑태깅에서 기존 DeepJet 대비 10 % 이상의 가벼운 제트 오인식률 감소를 달성한다.

타우 식별에서는 DeepTau v2.5가 v2.1 대비 저 pT(≤100 GeV)와 고 pT(>100 GeV) 구간 모두에서 신호 효율을 3 %~5 % 높이고, 배경 억제율을 7 % 이상 개선한다. 도메인 적응(adversarial domain adaptation) 기법을 도입해 데이터‑시뮬레이션 차이를 최소화했으며, 2025년부터는 ParticleNet 기반 모델이 HL‑Trigger에 교체될 예정이다.

전자·광자 재구성에서는 전통적인 Mustache 클러스터링을 DeepSuperCluster(DNN)로 대체해 에너지 해상도를 15 % 정도 개선하고, 특히 저에너지(≤20 GeV) 구간에서 시뮬레이션과 데이터 간 비율을 1에 가깝게 맞췄다. 뮤온 식별은 다변량 분석(MVA)으로 전환해 동일 효율 구간에서 배경 억제율을 8 % 이상 높였으며, 트랙 품질과 매칭 변수들을 통합해 런‑3 전반에 걸친 안정성을 확보했다.

Phase‑2 고입자밀도 칼로미터(HGCAL) 재구성에서는 기존 TICL 알고리즘에 그래프 신경망(GNN) 기반 트랙스터 분류기를 결합해 전자와 하드론 쇼워를 20 % 이상 구분하였다. 동적 리덕션 네트워크를 활용한 포인트 클라우드 처리로 3D 클러스터의 위치·시간 정밀도를 향상시켰으며, 이는 200 PU 환경에서도 에너지 흐름 재구성의 정확도를 유지한다. 전체적으로 적대적 학습, 도메인 적응, 경량화 모델 설계가 시뮬레이션‑데이터 불일치와 연산 비용 문제를 동시에 해결하는 핵심 전략으로 부각된다.